L Intelligence Artificielle

Transcription

1 Conférence L Intelligence Artificielle Taalabi M. 30/04/2004 Intelligence Artificielle 1

2 Historique Définition Paradigmes Systèmes experts Concevoir un système expert Système à Inférence floue Applications Conclusion 30/04/2004 Intelligence Artificielle 2

3 Historique Naissance de la discipline: Réunion des années 50 Objectif: étude des idées qui permettent aux applications sur calculateurs d être intelligents. Double Audience: Sciences exactes:scientifiques, Ingénieurs.et Sciences Humaines: Psychologues, philosophes. 30/04/2004 Intelligence Artificielle 3

4 Définition Application Intelligente? Capable de raisonner Capable d acquérir et d appliquer des connaissances Capable de manipuler des objets en temps réel 30/04/2004 Intelligence Artificielle 4

5 Utilité d une application intelligente Quantifier la connaissance Développement incrémental de la connaissance Force une théorie à être plus précise, pour l implanter sur calculateur Ressources rares 30/04/2004 Intelligence Artificielle 5

6 Domaines d Application Domaines historiques: Jeux, Robotique, Médecine Domaines actuels: Business, Engineering, Médecine, Robotique (Mines, Espace..), Agriculture, Contrôle et supervision de procédés, systèmes d aide au pilotage... 30/04/2004 Intelligence Artificielle 6

7 Cas des systèmes dédiés Système dédié? Exemples: portable, machine à laver, suspension intelligente d une voiture, robot mobile.. Algorithmes intelligents pour systèmes dédiés: systèmes experts, contrôleurs flous (fuzzy controllers)... 30/04/2004 Intelligence Artificielle 7

8 Évaluation Domaine bien délimité? Existence d une procédure Existence de contraintes 30/04/2004 Intelligence Artificielle 8

9 Paradigmes Exemples Divide & Conquer, Rule Based approach, Describe & Match 30/04/2004 Intelligence Artificielle 9

10 Paradigme: Rule Based approach Paradigme le plus populaire Est à la base des systèmes experts, ou Systèmes à base de connaissances. 30/04/2004 Intelligence Artificielle 10

11 Rule Based approach Approche non déductive Selon cette approche, un problème est formulé: État initial État désiré Ensemble de procédures qui permettent la transition entre états Exemple: actes de la vie courante 30/04/2004 Intelligence Artificielle 11

12 Arbre de recherche Espace de recherche: structure arborescente État initial : : Un arc représente une procédure État désiré 30/04/2004 Intelligence Artificielle 12

13 Arbre de recherche Une procédure sera une règle de la forme: Règle i: Si <conditions> Alors <Actions> Avantage: Granularité Flexibilité 30/04/2004 Intelligence Artificielle 13

14 Architecture d un système expert Moteur d inférence Règles Faits 30/04/2004 Intelligence Artificielle 14

15 Architecture d un système expert Faits: État initial, état désiré, Règles: Base de connaissances Moteur d inférence 30/04/2004 Intelligence Artificielle 15

16 Algorithme 1- Observer les faits 2- Repérer les règles applicables 3- Choisir une règle et l appliquer Nouvelle base de faits 4- État désiré atteint? Si oui fin Si non retour à 1-30/04/2004 Intelligence Artificielle 16

17 Algorithme Résolution de conflit Trace de raisonnement 30/04/2004 Intelligence Artificielle 17

18 Avantage Granularité Facilité de mise à jour Perfectionnement des connaissances 30/04/2004 Intelligence Artificielle 18

19 Connaissances vs. Recherche Exemple: se rendre à la poste L importance des connaissances Le Knowledge Engineer Connaissances Académiques et Connaissances Heuristiques 30/04/2004 Intelligence Artificielle 19

20 Concevoir un système expert Sélection du domaine Sélection de l outil de développement Acquisition de connaissances Prototype: tests et re-design 30/04/2004 Intelligence Artificielle 20

21 Concevoir un système expert Système final Déploiement Formation Mise à jour des connaissances 30/04/2004 Intelligence Artificielle 21

22 Concevoir un système expert Outils de développement Langages de programmation LISP Constructeurs de systèmes experts: G2 de Gensym, OPS, TDC3000Expert... 30/04/2004 Intelligence Artificielle 22

23 Heuristiques Efficacité des systèmes experts: dépend de la qualité des connaissances Surtout les connaissances dues à une longue expérience Heuristiques Heuristiques: connaissances linguistiques, langage courant, incertaines difficiles à formaliser mathématiquement 30/04/2004 Intelligence Artificielle 23

24 Système Expert Flou Logique Classique: Vrai ou Faux Logique floue: degré de vraisemblance Exemple: Taille d un être humain µ 1 Taille grande taille 30/04/2004 Intelligence Artificielle 24

25 Système Expert Flou Taille : variable scalaire Taille grande : variable linguistique Autres variables linguistiques pour Taille: Taille petite, Taille moyenne. 30/04/2004 Intelligence Artificielle 25

26 Système Expert Flou Connecteurs logiques flous: ET, OU... Exemple: taille grande ET poids moyen Fonction d appartenance : Min, produit,.. grande moyen taille poids 30/04/2004 Intelligence Artificielle 26

27 Système Expert Flou Systèmes à inférence floue Fuzzy Inference System (FIS) Objectif: représenter les heuristiques, et les utiliser pour résoudre des Problèmes dans un domaine bien déterminé. 30/04/2004 Intelligence Artificielle 27

28 Système Expert Flou Architecture des FIS Entrées Réel Inférence Flou Sorties Flou Règles Floues Réel 30/04/2004 Intelligence Artificielle 28

29 Système Expert Flou Cas d une machine à laver Objectif: durée de lavage? Entrées: degré de saleté, type de saleté Sorties: durée de lavage 30/04/2004 Intelligence Artificielle 29

30 Système Expert Flou Fuzzification Fuzzifier les entrées: degré de saleté et type de saleté Trois variables linguistiques pour chaque entrée: faible, moyen et grand. µ faible moyen µ grand 1 1 moyen faible grand Degré de saleté Type de saleté 30/04/2004 Intelligence Artificielle 30

31 Système Expert Flou Sous ensembles flous de la sortie Durée de lavage : Très courte, courte, moyenne, longue et très longue µ 1 Très courte courte moyenne longue Très longue Durée de lavage en minutes 30/04/2004 Intelligence Artificielle 31

32 Système Expert Flou Base de règles Exemple de règles: Si grand degré de saleté ET Type de saleté gras Alors durée de lavage très longue 30/04/2004 Intelligence Artificielle 32

33 Système Expert Flou Cycle d Inférence. Capter le degré de saleté et le type de saleté. Fuzzifier le degré de saleté ----> variables linguistiques. Fuzzifier le type de saleté -----> variables linguistiques. Repérer les règles applicables. Combiner les conséquence des règles applicables pour déduire la valeur de la durée de lavage 30/04/2004 Intelligence Artificielle 33

34 Applications Principaux champs Contrôle Aide à la décision Planification 30/04/2004 Intelligence Artificielle 34

35 Applications Vision par ordinateur Reconnaissance de formes Camera: Autofocus automatique 30/04/2004 Intelligence Artificielle 35

36 Applications Climatisation Machine à laver: Temps de lavage automatique Fonctionnalités Intelligentes dans une voiture: Suspension automatique Climatisation Injections... 30/04/2004 Intelligence Artificielle 36

37 Applications Supervision Diagnostique Maintenance 30/04/2004 Intelligence Artificielle 37

38 Applications Entraînement au pilotage Planification de missions Navigation d un robot mobile 30/04/2004 Intelligence Artificielle 38

39 Applications Bases de données: SGBDR Environnement: Traitement des eaux usées Analyse des données et aide à la décision Système de gestion de santé (Health Management System) cas de OMRON 30/04/2004 Intelligence Artificielle 39

40 Conclusion Tendances actuelles Complexité des applications Approche évolutive: Algorithmes génétiques, optimisation multi-critères Réseaux de neurones 30/04/2004 Intelligence Artificielle 40

41 Conclusion Autre aspect de l Intelligence: L Intelligence Emotionelle: application au management. 30/04/2004 Intelligence Artificielle 41

42 Références Livres Winston P. H. Artificial Intelligence, Addison-Wesley 1984 David S. Prerau Developing and managing Axpert Systems Addison-Wesley 1990 Elbert A. Walker A first course in fuzzy logic Chapman & Hall / CRC /04/2004 Intelligence Artificielle 42

43 Références Thomas Dean, James Allen, Yiannis Aloimonos Artificial Intelligence: Theory and Practice Amazon.com 2002 J. Yen, R. Langari, L. A. Zadeh Industrial Applications of fuzzy logic and intelligent systems IEEE Press /04/2004 Intelligence Artificielle 43

44 Références Web /04/2004 Intelligence Artificielle 44